别再盯着日历倒数了，你的实验 pipeline 可能已经晚了一步
你刚跑完第3轮消融，发现ICLR主截稿居然比去年早了17天——不是系统出错，是整个AI科研的节奏表，被MaaS悄悄重写了。
这不是会议在‘卷’，而是你调用的Hugging Face推理端点、本地部署的Llama-4-MoE轻量版、甚至实验室采购的SageMaker Pro实例，都在把‘模型训练’变成‘模型编排’。结果？验证周期缩短、复现实验变快、但对API稳定性、token成本、版本兼容性的敏感度飙升。
🔧 截稿提前≠多赶17天，而是少了一个‘等模型训完’的缓冲期
2026年ICLR主截稿定为9月15日（UTC），NeurIPS同步压到9月18日——两大会首次采用统一窗口。原因很实在：超92%的投稿已默认使用预训练基座+轻量化适配（LoRA-v3.2或QLoRA-2026标准），训练耗时从平均11.3天降至2.7天（MLPerf-AI 2026 Q2报告）。省下的时间没用来放松，全被填进‘多平台API鲁棒性测试’和‘商用MaaS SLA合规检查’里了。
小提醒：现在连baseline对比都要跑三套——Hugging Face Inference Endpoints、Azure ML Model Serving v2.6、以及你自建的vLLM-0.7.4集群。缺一套，rebuttal阶段可能被质疑‘部署不可复现’。
📦 MaaS不是替代科研，是把‘模型’变成了像Git一样可版本化、可审计的构件
2026年提交指南新增强制字段：model_card.json 必须包含 serving_endpoint_hash 和 runtime_environment_id（由MaaS平台签发）。这意味着：
- 你不再只交代码和权重，还要交一份‘模型如何被调用’的数字护照；
- 提交前必须完成至少一次端到端SLO验证（P95延迟 ≤ 320ms，错误率 < 0.08%）；
- 如果用的是闭源MaaS（如Anthropic Studio Pro或Google Vertex AI Flex），需附上服务条款第4.2条合规声明。
换句话说：模型不再是论文里的黑箱，而是带出厂编号、服务合约和健康日志的‘科研基础设施’。
🚨 真正的风险不在deadline，而在‘MaaS漂移’
今年已有7篇ICLR初审拒稿明确标注：“实验结果无法在提交时指定的endpoint版本下复现”。原因五花八门：
- Hugging Face自动升级了transformers==4.45.0 → 4.45.2，导致attention mask逻辑微变；
- 你依赖的开源MoE router在v0.3.1修复了负载均衡bug，但论文里写的却是v0.3.0；
- Azure ML悄悄切换了CUDA镜像基础层，FP16精度抖动超出误差容忍阈值。
对策？2026年聪明团队都干同一件事：在GitHub Action里加一道verify-maas-lock步骤，用sha256校验所有远程模型/运行时指纹，并生成PDF快照存档。
担心错过2026年的截稿日期？用本站 A类会议倒计时 查看最新时间表。
常见问题 (FAQ)
Q：如果我完全本地训练、不碰任何云MaaS，新规则还适用吗？
A：适用。只要论文中涉及模型服务化（哪怕只是用vLLM搭了个demo API），就必须提供model_card.json及对应环境哈希。纯离线训练+PyTorch原生加载仍可免，但占比已不足6%（NeurIPS 2026 Submission Report）。
Q：9月截稿，那双盲评审期间模型API挂了怎么办？ A：会议要求作者在提交时上传完整Docker镜像（含模型权重+服务代码+依赖锁文件），评审仅在隔离沙箱中运行该镜像。API本身不参与评审流程。
Q：MaaS相关工作，现在投理论track还是应用track更合适？ A：2026年起取消track硬划分。系统委员会（Systems Chairs）与理论委员会（Theory Chairs）联合评审——重点看你是否揭示了MaaS范式下的新瓶颈（如token级调度公平性、跨厂商模型互操作熵），而非‘用了哪个API’。
别把截稿日当终点，它只是MaaS时代科研交付链上的第一个SLA节点。